AI（人工智能）沉浮數十載，在“預期－失望－進步－預期”周期中破浪前行。
根據賽迪咨詢發布報告，2016年全球人工智能市場規模達到293億美元。我們預計2020年全球人工智能市場規模將達到1200億美元，復合增長率約為20％。人工智能芯片是人工智能市場中重要一環，根據英偉達，AMD，賽靈思，谷歌等相關公司數據，我們測算2016年人工智能芯片市場規達到23．88億美元，約占全球人工智能市場規模8．15％，而到2020年人工智能芯片市場規模將達到146．16億美元，約占全球人工智能市場規模12．18％。人工智能芯片市場空間極其廣闊。
芯片承載算法，是競爭的制高點
人工智能的基礎是算法，深度學習是目前最主流的人工智能算法。深度學習又叫深度神經網絡（DNN：Deep Neural Networks），從之前的人工神經網絡（ANN：Artificial Neural Networks）模型發展而來。這種模型一般采用計算機科學中的圖模型來直觀表達，深度學習的“深度”便指的是圖模型的層數以及每一層的節點數量。神經網絡復雜度不斷提升，從最早單一的神經元，到2012年提出的AlexNet（8個網絡層），再到2015年提出的ResNET（150個網絡層），層次間的復雜度呈幾何倍數遞增，對應的是對處理器運算能力需求的爆炸式增長。深度學習帶來計算量急劇增加，對計算硬件帶來更高要求。
深度學習算法分“訓練”和“推斷”兩個過程。簡單來講，人工智能需要通過以大數據為基礎，通過“訓練”得到各種參數，把這些參數傳遞給“推斷”部分，得到最終結果。
“訓練”和“推斷”所需要的神經網絡運算類型不同。神經網絡分為前向計算（包括矩陣相乘、卷積、循環層）和后向更新（主要是梯度運算）兩類，兩者都包含大量并行運算。“訓練”所需的運算包括“前向計算＋后向更新”；“推斷”則主要是“前向計算”。一般而言訓練過程相比于推斷過程計算量更大。一般來說，云端人工智能硬件負責“訓練＋推斷”，終端人工智能硬件只負責“推斷”。
“訓練”需大數據支撐并保持較高靈活性，一般在“云端”（即服務器端）進行。人工智能訓練過程中，頂層上需要有一個海量的數據集，并選定某種深度學習模型。每個模型都有一些內部參數需要靈活調整，以便學習數據。而這種參數調整實際上可以歸結為優化問題，在調整這些參數時，就相當于在優化特定的約束條件，這就是所謂的“訓練”。云端服務器收集用戶大數據后，依靠其強大的計算資源和專屬硬件，實現訓練過程，提取出相應的訓練參數。由于深度學習訓練過程需要海量數據集及龐大計算量，因此對服務器也提出了更高的要求。未來云端AI服務器平臺需具備相當數據級別、流程化的并行性、多線程、高內存帶寬等特性。
“推斷”過程可在云端（服務器端）進行，也可以在終端（產品端）進行。等待模型訓練完成后，將訓練完成的模型（主要是各種通過訓練得到的參數）用于各種應用場景（如圖像識別、語音識別、文本翻譯等）。“應用”過程主要包含大量的乘累加矩陣運算，并行計算量很大，但和“訓練”過程比參數相對固化，不需要大數據支撐，除在服務器端實現外，也可以在終端實現。“推斷”所需參數可由云端“訓練”完畢后，定期下載更新到終端。
傳統CPU算力不足，新架構芯片支撐AI成必須。核心芯片決定計算平臺的基礎架構和發展生態，由于AI所需的深度學習需要很高的內在并行度、大量浮點計算能力以及矩陣運算，基于CPU的傳統計算架構無法充分滿足人工智能高性能并行計算（HPC）的需求，因此需要發展適合人工智能架構的專屬芯片。
專屬硬件加速是新架構芯片發展主流。目前處理器芯片面向人工智能硬件優化升級有兩種發展路徑：（1）延續傳統計算架構，加速硬件計算能力：以GPU、FPGA、ASIC（TPU、NPU等）芯片為代表，采用這些專屬芯片作為輔助，配合CPU的控制，專門進行人工智能相關的各種運算；（2）徹底顛覆傳統計算架構，采用模擬人腦神經元結構來提升計算能力，以IBM TrueNorth芯片為代表，由于技術和底層硬件的限制，第二種路徑尚處于前期研發階段，目前不具備大規模商業應用的可能性。從技術成熟度和商業可行性兩個角度，我們判斷使用AI專屬硬件進行加速運算是今后五年及以上的市場主流。
云端終端雙場景，三種專屬芯片各顯其能
我們把人工智能硬件應用場景歸納為云端場景和終端場景兩大類。云端主要指服務器端，包括各種共有云、私有云、數據中心等業務范疇；終端主要指包括安防、車載、手機、音箱、機器人等各種應用在內的移動終端。由于算法效率和底層硬件選擇密切相關，“云端”（服務器端）和“終端”（產品端）場景對硬件的需求也不同。
除CPU外，人工智能目前主流使用三種專用核心芯片，分別是GPU，FPGA，ASIC。
GPU：先發制人的“十項全能”選手，云端終端均拔頭籌。GPU（Graphics Processing Unit）又稱圖形處理器，之前是專門用作圖像運算工作的微處理器。相比CPU，GPU由于更適合執行復雜的數學和幾何計算（尤其是并行運算），剛好與包含大量的并行運算的人工智能深度學習算法相匹配，因此在人工智能時代剛好被賦予了新的使命，成為人工智能硬件首選，在云端和終端各種場景均率先落地。目前在云端作為AI“訓練”的主力芯片，在終端的安防、汽車等領域，GPU也率先落地，是目前應用范圍最廣、靈活度最高的AI硬件。
FPGA：“變形金剛”，算法未定型前的階段性最佳選擇。FPGA（Field－Programmable Gate Array）即現場可編程門陣列，是一種用戶可根據自身需求進行重復編程的“萬能芯片”。編程完畢后功能相當于ASIC（專用集成電路），具備效率高、功耗低的特點，但同時由于要保證編程的靈活性，電路上會有大量冗余，因此成本上不能像ASIC做到最優，并且工作頻率不能太高（一般主頻低于500MHz）。FPGA相比GPU具有低功耗優勢，同時相比ASIC具有開發周期快，更加靈活編程等特點。FPGA于“應用爆發”與“ASIC量產”夾縫中尋求發展，是效率和靈活性的較好折衷，“和時間賽跑”，在算法未定型之前具較大優勢。在現階段云端數據中心業務中，FPGA以其靈活性和可深度優化的特點，有望繼GPU之后在該市場爆發；在目前的終端智能安防領域，目前也有廠商采用FPGA方案實現AI硬件加速。
ASIC：“專精職業選手”，專一決定效率，AI芯片未來最佳選擇。ASIC（Application Specific Integrated Circuit）即專用集成電路，本文中特指專門為AI應用設計、專屬架構的處理器芯片。近年來涌現的類似TPU、NPU、VPU、BPU等令人眼花繚亂的各種芯片，本質上都屬于ASIC。無論是從性能、面積、功耗等各方面，AISC都優于GPU和FPGA，長期來看無論在云端和終端，ASIC都代表AI芯片的未來。但在AI算法尚處于蓬勃發展、快速迭代的今天，ASIC存在開發周期較長、需要底層硬件編程、靈活性較低等劣勢，因此發展速度不及GPU和FPGA。
本報告我們分別仔細分析云端和終端兩種應用場景下，這三種專屬AI芯片的應用現狀、發展前景及可能變革。
云端場景：GPU生態領先，未來多芯片互補共存
核心結論：GPU、TPU等適合并行運算的處理器未來成為支撐人工智能運算的主力器件，既存在競爭又長期共存，一定程度可相互配合；FPGA有望在數據中心業務承擔較多角色，在云端主要作為有效補充存在；CPU會“變小”，依舊作為控制中心。未來芯片的發展前景取決于生態，有望統一在主流的幾個軟件框架下，形成云端CPU＋GPU／TPU＋FPGA（可選）的多芯片協同場景。
（1）依托大數據，科技巨頭不同技術路徑布局AI云平臺
基于云平臺，各大科技巨頭大力布局人工智能。云計算分為三層，分別是Infrastructure（基礎設施）－as－a－Service（IaaS），Platform（平臺）－as－a－Service（Paas），Software（軟件）－as－a－Service（Saas）。基礎設施在最下端，平臺在中間，軟件在頂端。IaaS公司提供場外服務器，存儲和網絡硬件。大數據為人工智能提供信息來源，云計算為人工智能提供平臺，人工智能關鍵技術是在云計算和大數據日益成熟的背景下取得了突破性進展。目前各大科技巨頭看好未來人工智能走向云端的發展態勢，紛紛在自有云平臺基礎上搭載人工智能系統，以期利用沉淀在云端的大數據挖掘價值。
（2）千億美元云服務市場，AI芯片發展潛力巨大
千億美元云服務市場，云計算硬件市場規模巨大。云計算的市場規模在逐漸擴大。據Gartner的統計，2015年以IaaS、PaaS和SaaS為代表的典型云服務市場規模達到522．4億美元，增速20．6％，預計2020年將達到1435．3億美元，年復合增長率達22％。其中IaaS公司到2020年市場空間達到615億美元，占整個云計算市場達43％，云計算硬件市場空間巨大，而云計算和人工智能各種加速算法關系密切，未來的云計算硬件離不開AI芯片加速。
云端AI芯片發展潛力巨大。根據英偉達與AMD財務數據，我們預計GPU到2020年在數據中心業務中將達到約50億美元市場規模。同時根據賽靈思與阿爾特拉等FPGA廠商，我們預計2020年FPAG數據中心業務將達到20億美元。加上即將爆發的ASIC云端市場空間，我們預計到2020年云端AI芯片市場規模將達到105．68億美元，AI芯片在云端會成為云計算的重要組成部分，發展潛力巨大。
（3）云端芯片現狀總結：GPU領先，FPGA隨后，ASIC萌芽
AI芯片在云端基于大數據，核心負責“訓練”。云端的特征就是“大數據＋云計算”，用戶依靠大數據可進行充分的數據分析和數據挖掘、提取各類數據特征，與人工智能算法充分結合進行云計算，從而衍生出服務器端各種AI＋應用。AI芯片是負責加速人工智能各種復雜算法的硬件。由于相關計算量巨大，CPU架構被證明不能滿足需要處理大量并行計算的人工智能算法，需要更適合并行計算的芯片，所以GPU、FPGA、TPU等各種芯片應運而生。AI芯片在云端可同時承擔人工智能的“訓練”和“推斷”過程。
云端芯片現狀：GPU占據云端人工智能主導市場，以TPU為代表的ASIC目前只運用在巨頭的閉環生態，FPGA在數據中心業務中發展較快。
GPU應用開發周期短，成本相對低，技術體系成熟，目前全球各大公司云計算中心如谷歌、微軟、亞馬遜、阿里巴巴等主流公司均采用GPU進行AI計算。
谷歌除大量使用GPU外，努力發展自己的AI專屬的ASIC芯片。今年5月推出的TPU與GPU相比耗電量降低60％，芯片面積下降40％，能更好的滿足其龐大的AI算力要求，但由于目前人工智能算法迭代較快，目前TPU只供谷歌自身使用，后續隨著TensorFlow的成熟，TPU也有外供可能，但通用性還有很長路要走。
百度等廠商目前在數據中心業務中也積極采用FPGA進行云端加速。FPGA可以看做從GPU到ASIC重點過渡方案。相對于GPU可深入到硬件級優化，相比ASIC在目前算法不斷迭代演進情況下更具靈活性，且開發時間更短。AI領域專用架構芯片（ASIC）已經被證明可能具有更好的性能和功耗，有望成為未來人工智能硬件的主流方向。
（4）云端GPU：云端AI芯片主流，先發優勢明顯
發展現狀：GPU天然適合并行計算，是目前云端AI應用最廣的芯片
GPU目前云端應用范圍最廣。目前大量涉足人工智能的企業都采用GPU進行加速。根據英偉達官方資料，與英偉達合作開發深度學習項目的公司2016年超過19000家，對比2014年數量1500 家。目前百度、Google、Facebook 和微軟等IT巨頭都采用英偉達的GPU對其人工智能項目進行加速，GPU目前在云端AI深度學習場景應用最為廣泛， 由于其良好的編程環境帶來的先發優勢，預計未來仍將持續強勢。
GPU芯片架構脫胎圖像處理，并行計算能力強大。GPU（Graphics Processing Unit），又稱視覺處理器，是之前應用在個人電腦、工作站、游戲機、移動設備（如平板電腦、智能手機等）等芯片內部，專門用作圖像運算工作的微處理器。與CPU類似可以編程，但相比CPU更適合執行復雜的數學和幾何計算，尤其是并行運算。內部具有高并行結構（highly paralle lstructure），在處理圖形數據和復雜算法方面擁有比CPU更高的效率。
GPU較CPU結構差異明顯，更適合并行計算。對比GPU和CPU在結構上的差異，CPU大部分面積為控制器和寄存器，GPU擁有更多的ALU（Arithmetic Logic Unit，邏輯運算單元）用于數據處理，而非數據高速緩存和流控制，這樣的結構適合對密集型數據進行并行處理。CPU執行計算任務時，一個時刻只處理一個數據，不存在真正意義上的并行，而GPU具有多個處理器核，同一時刻可并行處理多個數據。
與CPU相比，GPU在AI領域的性能具備絕對優勢。深度學習在神經網絡訓練中，需要很高的內在并行度、大量的浮點計算能力以及矩陣運算，而GPU可以提供這些能力，并且在相同的精度下，相對傳統CPU的方式，擁有更快的處理速度、更少的服務器投入和更低的功耗。在2017年5月11日的加州圣何塞GPU技術大會上，NVIDIA就已經發布了Tesla V100。這個目前性能最強的GPU運算架構Volta采用臺積電12nm FFN制程并整合210億顆電晶體，在處理深度學習的性能上等同于250顆CPU。